基于學(xué)生信息模型及聚類(lèi)算法的精準(zhǔn)思政教育研究

摘要：結(jié)合高校學(xué)生管理以及大學(xué)生思政教育的實(shí)際情況，通過(guò)數(shù)據(jù)采集、清洗和規(guī)范化處理，構(gòu)建詳細(xì)可量化的學(xué)生信息模型，針對(duì)模型之間各階層信息的數(shù)據(jù)特點(diǎn)，提出信息模型之間相似度比較的具體方法。以學(xué)生信息模型之間的相似度為目標(biāo)函數(shù)，基于K-means算法進(jìn)行聚類(lèi)分析，得到不同的學(xué)生簇，對(duì)不同簇的質(zhì)心進(jìn)行分析，得到不同學(xué)生簇的特點(diǎn)，有針對(duì)性地匹配不同的教學(xué)資源，實(shí)現(xiàn)精準(zhǔn)思政的教學(xué)目的。

關(guān)鍵詞：精準(zhǔn)思政；聚類(lèi)分析；大學(xué)生

中圖分類(lèi)號(hào)：G641文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-6916（2025）08-0095-05

On Precise Ideological and Political Education Based on Student Information Model and Clustering Algorithm

Gao YawenLu Ting

（Jiangsu University of Science and Technology， Zhenjiang 212100）

Abstract： In light of the practical realities of management of college and university students and their ideological and political education， this paper constructs a detailed and quantifiable student information model through data collection， cleaning， and standardization. Based on the data characteristics of each level of information between the models， a specific method for comparing the similarity between information models is proposed. Using the similarity between student information models as the objective function， this paper conducts a clustering analysis based on the K-means algorithm to obtain different student clusters. By analyzing the centroids of different clusters， this paper obtains the characteristics of different student clusters and matches different teaching resources in a targeted manner to achieve the teaching goal of precise ideological and political education.

Keywords： precise ideological and political education; clustering analysis; college and university student

思政教育是高校育人的核心和根本。在新時(shí)代，如何做好思政教育，如何提升思政教育質(zhì)量和時(shí)效，成為高等教育的一個(gè)重大時(shí)代課題。黨的十八大以來(lái)，習(xí)近平總書(shū)記多次強(qiáng)調(diào)樹(shù)立精準(zhǔn)思維的重要意義，特別是要從細(xì)節(jié)處著手，精準(zhǔn)施策，解決突出矛盾和緊迫問(wèn)題，這為高校思政教育指明了方向［1］。在《教育部2019年工作要點(diǎn)》中提到，“著力推進(jìn)精準(zhǔn)思政，創(chuàng)新思想政治工作方式方法”［2］，使精準(zhǔn)思想政治教育正式成為一種重要的制度倡導(dǎo)。在新時(shí)代的背景下，傳統(tǒng)思政教育工作的方式方法，越來(lái)越難以企及精準(zhǔn)思政的新要求。

近年來(lái)，在學(xué)術(shù)領(lǐng)域，諸多學(xué)者運(yùn)用新技術(shù)、新理念在精準(zhǔn)思政乃至學(xué)生管理方面做出了很多的研究和探索。中國(guó)人民大學(xué)的黃文林［3］依托教育大數(shù)據(jù)構(gòu)建服務(wù)于高校精準(zhǔn)思政教育工作的學(xué)生畫(huà)像方法，提出基于學(xué)生畫(huà)像的精準(zhǔn)思政工作路徑；山東師范大學(xué)的焦立濤［4］，以人工智能技術(shù)為抓手，論證了人工智能賦能大學(xué)生思想政治教育的可能性、必要性、邏輯結(jié)果和價(jià)值目標(biāo)，以及理論創(chuàng)新、方法優(yōu)化和路徑選擇；華東師范大學(xué)的李子輝［5］運(yùn)用文獻(xiàn)研究法、案例研究法和交叉學(xué)科研究法，分析了虛擬現(xiàn)實(shí)技術(shù)在高校思想政治教育中運(yùn)用的價(jià)值、挑戰(zhàn)和優(yōu)化路徑；江西財(cái)經(jīng)大學(xué)的熊琴［6］在高校思想政治教育中引入?yún)^(qū)塊鏈技術(shù)，研究探討其融合的路徑，以此滿(mǎn)足學(xué)生個(gè)性化和多樣性學(xué)習(xí)需求；鄧晗［7］基于Spark大數(shù)據(jù)處理平臺(tái)搭建了學(xué)生行為分析系統(tǒng)，使用機(jī)器學(xué)習(xí)K-means算法和NMF算法對(duì)高校學(xué)生群體的行為模式進(jìn)行分類(lèi)，對(duì)學(xué)生異常行為進(jìn)行判定和引導(dǎo)；湖北師范大學(xué)的王世純［8］等人利用K-means聚類(lèi)算法進(jìn)行深層次數(shù)據(jù)挖掘，幫助教師采取分層教學(xué)、個(gè)性化指導(dǎo)策略，實(shí)現(xiàn)精準(zhǔn)教學(xué)。

本文依據(jù)教育實(shí)踐，篩選一些學(xué)生思政教育方面的關(guān)鍵信息，通過(guò)數(shù)據(jù)收集、清洗和規(guī)范化處理，梳理得到真實(shí)準(zhǔn)確的學(xué)生信息。依據(jù)相應(yīng)規(guī)則，將學(xué)生思政信息數(shù)據(jù)化，構(gòu)建結(jié)構(gòu)化的學(xué)生信息模型，并圍繞該模型，從模型中各類(lèi)數(shù)據(jù)的特點(diǎn)出發(fā)，構(gòu)建一套可操作的數(shù)據(jù)比較方法，實(shí)現(xiàn)學(xué)生信息在思政方面的量化和比較，為后續(xù)學(xué)生信息的聚類(lèi)分析以及教師資源的匹配提供基礎(chǔ)。

本文基于一定優(yōu)化的K-means算法，對(duì)量化的學(xué)生信息模型進(jìn)行聚類(lèi)分析，通過(guò)迭代得到一定數(shù)量的學(xué)生簇。重點(diǎn)分析簇質(zhì)心的信息特點(diǎn)，結(jié)合實(shí)際情況，給出評(píng)價(jià)。根據(jù)評(píng)價(jià)結(jié)果，匹配相應(yīng)的教育資源，實(shí)現(xiàn)思政教育的精準(zhǔn)化。對(duì)于一些明顯的離群點(diǎn)，重點(diǎn)分析，給予特別關(guān)注，如果出現(xiàn)學(xué)業(yè)預(yù)警，及時(shí)糾偏，補(bǔ)齊木桶效應(yīng)的關(guān)鍵短板，提升思政教育的整體質(zhì)量。詳細(xì)過(guò)程如圖1所示：

一、信息模型的建立

（一）數(shù)據(jù)的收集和清洗

在實(shí)際的運(yùn)用場(chǎng)景中，學(xué)生的信息數(shù)據(jù)往往散落于不同的信息系統(tǒng)及數(shù)據(jù)庫(kù)中，在建立模型之前，需要對(duì)所用到的信息進(jìn)行梳理、匯總和清洗，數(shù)據(jù)信息流如圖2所示：

結(jié)合教學(xué)實(shí)踐，本文將所需學(xué)生信息的具體內(nèi)容統(tǒng)計(jì)為如表1所示：

信息就醫(yī)數(shù)據(jù)、體測(cè)數(shù)據(jù)、心理測(cè)評(píng)數(shù)據(jù)校醫(yī)院、心理中心、二級(jí)學(xué)院其他其他其他在大數(shù)據(jù)環(huán)境下，數(shù)據(jù)來(lái)源多樣且復(fù)雜，數(shù)據(jù)質(zhì)量參差不齊。數(shù)據(jù)清洗是數(shù)據(jù)預(yù)處理的關(guān)鍵環(huán)節(jié)，通過(guò)刪除、修改或填充缺失值、處理異常值和重復(fù)值、調(diào)整數(shù)據(jù)格式等操作，使數(shù)據(jù)更加準(zhǔn)確、完整、可用、一致和規(guī)范化，提高數(shù)據(jù)分析和挖掘的準(zhǔn)確性和可靠性。

在學(xué)生信息的數(shù)據(jù)采集后，需要對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的清洗處理，具體有以下清洗內(nèi)容。

1．過(guò)濾非學(xué)生數(shù)據(jù)

在圖書(shū)借閱、校園卡消費(fèi)過(guò)程中，使用的人群中不只有學(xué)生，還有教師、行政人員等，需要過(guò)濾非學(xué)生數(shù)據(jù)，防止除學(xué)生以外人員的數(shù)據(jù)對(duì)數(shù)據(jù)處理和分析進(jìn)行干擾，也減輕數(shù)據(jù)的處理和分析工作壓力。在實(shí)際操作中，可采用SQL查詢(xún)或數(shù)據(jù)處理軟件的功能，僅提取學(xué)生數(shù)據(jù)，在數(shù)據(jù)采集后，也可根據(jù)學(xué)生的其他字段數(shù)據(jù)進(jìn)行相互印證，以確保所采集對(duì)象的學(xué)生身份。

2．邏輯一致性檢查

檢查數(shù)據(jù)字段之間的邏輯關(guān)系是否合理。例如，學(xué)生的入學(xué)年份不應(yīng)晚于畢業(yè)年份，學(xué)生的年齡應(yīng)該與年級(jí)相匹配等。

3．?dāng)?shù)據(jù)去重

在研究中，學(xué)生數(shù)據(jù)來(lái)源于學(xué)校多個(gè)管理系統(tǒng)的數(shù)據(jù)源，重復(fù)記錄很可能會(huì)出現(xiàn)。因此，檢查并去除數(shù)據(jù)集中的重復(fù)記錄很有必要。去重可以避免分析結(jié)果的偏差，提高數(shù)據(jù)分析的效率和精度。

4．缺失值處理

學(xué)生信息中的缺失值是指在數(shù)據(jù)集中某些字段或記錄中缺少數(shù)據(jù)的現(xiàn)象，缺失值的存在會(huì)影響數(shù)據(jù)分析的準(zhǔn)確性和有效性。本文所采用的缺失值處理步驟如下。

（1）初步審查。判斷缺失值的數(shù)量以及缺失值的模式。一般而言，缺失值的模式有：完全隨機(jī)缺失（MCAR）（數(shù)據(jù)的缺失與任何觀測(cè)變量無(wú)關(guān)，即數(shù)據(jù)的缺失是隨機(jī)的）、隨機(jī)缺失（MAR）（數(shù)據(jù)缺失現(xiàn)象的發(fā)生與數(shù)據(jù)集中其他無(wú)缺失變量的取值有關(guān)）、非隨機(jī)缺失（MNAR）（數(shù)據(jù)缺失的現(xiàn)象不僅和其他變量的取值有關(guān)，也和自身的取值有關(guān)）［9］。

（2）對(duì)于完全隨機(jī)的，且缺失比例不高的記錄，可以直接刪除，對(duì)于缺失比例較大的，數(shù)值型的數(shù)據(jù)采用中位數(shù)插補(bǔ)方式填充，如某一班級(jí)某個(gè)學(xué)生的成績(jī)項(xiàng)有缺失，將采用這一班級(jí)的平均成績(jī)進(jìn)行插補(bǔ)。而字符型缺失值直接采用空值填充。

（3）對(duì)于隨機(jī)和非隨機(jī)的缺失值，可以使用回歸模型填充方式。

5．?dāng)?shù)據(jù)的及時(shí)性

學(xué)生的數(shù)據(jù)信息是動(dòng)態(tài)的，需要根據(jù)實(shí)際情況進(jìn)行階段性的更新調(diào)整。如學(xué)生的畢業(yè)、考試成績(jī)的更新等，考慮到生活信息的更新頻率，可將數(shù)據(jù)更新頻率設(shè)置為一季度更新一次。

（二）學(xué)生思政信息模型的建立

學(xué)生思政信息可以通過(guò)一個(gè)統(tǒng)一的多層信息模型［10］進(jìn)行表達(dá)，模型由多個(gè)層次構(gòu)成，各個(gè)層次依據(jù)信息增益（Information Gain，IG）大小進(jìn)行劃分。信息增益是信息熵的差［11］，某個(gè)特征項(xiàng)的信息增益值越大，表示其重要程度越高。在學(xué)生思政信息模型中，每個(gè)層次的信息增益在一定范圍內(nèi)相等。一個(gè)層次又劃分為多個(gè)要素，信息要素在多個(gè)方面對(duì)該層信息進(jìn)行描述。

學(xué)生信息模型由關(guān)鍵層、次關(guān)鍵層以及基礎(chǔ)信息索引層構(gòu)成，如圖3所示：

1．關(guān)鍵層

對(duì)學(xué)生的思想政治素質(zhì)進(jìn)行基礎(chǔ)性的評(píng)價(jià)，該層信息的信息增益最大，包括性別、政治面貌、心理測(cè)評(píng)結(jié)果、體測(cè)結(jié)果、學(xué)習(xí)成績(jī)等信息要素。

2．次關(guān)鍵層

對(duì)學(xué)生的思想政治素質(zhì)進(jìn)行側(cè)面的綜合評(píng)價(jià)，包括首餐時(shí)間、校內(nèi)消費(fèi)情況、上網(wǎng)時(shí)間等信息要素。該層的信息具有一定的數(shù)據(jù)挖掘價(jià)值。例如，首餐時(shí)間可以由學(xué)生在食堂首次消費(fèi)時(shí)間獲得，可以判斷學(xué)生是否早起、三餐是否規(guī)律，進(jìn)而推斷學(xué)生的生活和心理狀態(tài)；上網(wǎng)時(shí)間可以判斷學(xué)生是否過(guò)于沉溺于網(wǎng)絡(luò)娛樂(lè)，可以對(duì)網(wǎng)絡(luò)在線(xiàn)時(shí)長(zhǎng)超過(guò)一定閾值的學(xué)生進(jìn)行談話(huà)提醒，通過(guò)分階次收取網(wǎng)費(fèi)等方式限制學(xué)生的上網(wǎng)時(shí)間。

3．基礎(chǔ)信息索引層

本質(zhì)上是為了標(biāo)識(shí)學(xué)生，包括學(xué)生學(xué)號(hào)、身份證號(hào)碼等基本識(shí)別信息，不參與后續(xù)的處理，僅為了能夠快速對(duì)所需要的學(xué)生進(jìn)行檢索。

對(duì)于不同層次的信息要素，根據(jù)信息增益的大小設(shè)置不同的權(quán)值，對(duì)于關(guān)鍵層信息，設(shè)置權(quán)值為0.7，次關(guān)鍵層為0.3。權(quán)值在后續(xù)的相似度比較中將得到運(yùn)用。

（三）學(xué)生信息模型的相似性比較

為了便于學(xué)生之間的相似性比較，便于后期做聚類(lèi)和離散點(diǎn)的分析，上述各信息必須量化為可以度量的數(shù)值，從信息要素的屬性角度，可以將分為分類(lèi)（定性）的以及數(shù)值（定量）的［12］。

分類(lèi)的屬性是事物的符號(hào)或是名稱(chēng)，不具備數(shù)的性質(zhì)，對(duì)于分類(lèi)屬性，為方便用算法發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)聯(lián)，可以將一個(gè)分類(lèi)屬性轉(zhuǎn)化為多個(gè)二元屬性，即進(jìn)行二元化，編碼的具體過(guò)程如下：

首先，窮舉該屬性的所有可能的值，為每一個(gè)分類(lèi)屬性的值引入一個(gè)二元屬性；

其次，將屬性值所在位置的二元屬性賦值為1，其他二元屬性賦值為0，以某學(xué)生的政治面貌為例，該屬性的值可能有｛共產(chǎn)黨員，共青團(tuán)員，其他民主黨派，群眾｝，若某學(xué)生的政治面貌為共青團(tuán)員，則該分類(lèi)屬性可以二元化為：

1．分類(lèi)屬性的相似性比較

對(duì)于二元化的分類(lèi)屬性之間的相似度，可使用Jaccard系數(shù)J進(jìn)行度量：

sim（F1，F(xiàn)2）=J=f11f01+f10+f11（1）

式中，F(xiàn)1、F2為擬比較的兩個(gè)二元屬性的值，f11、f01、f10、f11的定義如表2所示：

2．?dāng)?shù)值屬性的相似性比較

對(duì)于數(shù)值屬性，將屬性值依序轉(zhuǎn)化為向量，并采用余弦相似度度量?jī)蓚€(gè)向量α及β之間的差異：

sim（F1，f2）=1d（α，β）=‖α‖‖β‖α·β（2）

式中，F(xiàn)1、F2為擬比較的兩個(gè)數(shù)值屬性的值，“·”表示向量點(diǎn)積，α·β=∑nk=1αkβk，‖α‖是向量的長(zhǎng)度，‖α‖=∑nk=1α3k。

結(jié)合多信息元素的學(xué)生信息模型，兩個(gè)學(xué)生的信息模型Mi以及Mj之間的相似度為：

sim（Mi，Mj）=∑k∈Eωksim（Mik，Mjk）（3）

其中，E是所有信息元素的集合，k是單個(gè)信息元素，ωk為單個(gè)信息元素在相似性比較時(shí)的權(quán)值。

對(duì)于比較結(jié)果，可設(shè)定一組閾值構(gòu)成區(qū)間（ωm，ωn），根據(jù)相似度比較結(jié)果分為以下幾類(lèi)情況：

（1）sim（Mi，Mj）≥ωn，可以認(rèn)為兩個(gè)學(xué)生相似度較高，在學(xué)生思政教育工作中可以歸為一類(lèi)，實(shí)行統(tǒng)一管理；

（2）ωnlt;sim（Mi，Mj）lt;ωn，可以認(rèn)為兩個(gè)學(xué)生有一定的相似度，結(jié)合具體情況進(jìn)行分析；

（3）sim（Mi，Mj）≤ωn，可以認(rèn)為兩個(gè)學(xué)生之間相似度較低，在學(xué)生管理時(shí)應(yīng)采用不同的教學(xué)和管理辦法。

二、基于K-means的學(xué)生聚類(lèi)分析

（一）學(xué)生聚類(lèi)算法

K-means聚類(lèi)分析算法是一種迭代型的空間聚類(lèi)算法，該算法采用迭代的方式實(shí)現(xiàn)收斂，其核心思想是通過(guò)距離度量無(wú)標(biāo)記的數(shù)據(jù)對(duì)象之間的相似性，并將數(shù)據(jù)對(duì)象自動(dòng)劃分成k個(gè)聚類(lèi)類(lèi)別，使得同一個(gè)聚類(lèi)類(lèi)別中的每個(gè)數(shù)據(jù)對(duì)象到聚類(lèi)中心的距離最小。

聚類(lèi)的目標(biāo)常用一個(gè)目標(biāo)函數(shù)表示，在具體操作中，我們將目標(biāo)函數(shù)選擇為學(xué)生信息之間的相似度，將相似度的最大化作為聚類(lèi)的質(zhì)量評(píng)估標(biāo)準(zhǔn)。

在使用K-means聚類(lèi)算法時(shí)，為優(yōu)化計(jì)算過(guò)程，通過(guò)肘部法則［13］確定數(shù)據(jù)集的最佳聚類(lèi)個(gè)數(shù)k，以達(dá)到最佳聚類(lèi)效果。若k值小于3，則可以根據(jù)實(shí)際直接將k值定義為3，即分為3個(gè)簇（好的、一般以及較差的），為避免聚類(lèi)陷入局部最優(yōu)，在選取初始質(zhì)心時(shí)，也盡可能避免隨機(jī)選擇，可以根據(jù)學(xué)生的實(shí)際情況，初步選擇若干典型代表作為初始質(zhì)心，具體的操作步驟如表3所示：

其中，重新計(jì)算每個(gè)簇的質(zhì)心時(shí)，對(duì)于分類(lèi)屬性，可以直接選擇出現(xiàn)次數(shù)最多的值作為新的質(zhì)心的值，對(duì)于數(shù)值屬性，計(jì)算各點(diǎn)的均值作為新的質(zhì)心的值。

隨著學(xué)生數(shù)據(jù)的階段性更新，聚類(lèi)過(guò)程也是動(dòng)態(tài)的，在季度化的學(xué)生信息更新之后，聚類(lèi)也緊跟著重新進(jìn)行，以保證思政教育管理的及時(shí)性。

（二）教育資源匹配

根據(jù)聚類(lèi)算法的計(jì)算結(jié)果，可以將所有學(xué)生按照思想政治的維度分為不同的簇。對(duì)每個(gè)簇，挑選出質(zhì)心（或者是距離質(zhì)心最近的點(diǎn)），分析各項(xiàng)數(shù)據(jù)指標(biāo)，進(jìn)行相互之間一些指標(biāo)的簡(jiǎn)單比較，對(duì)簇進(jìn)行排序評(píng)價(jià)。如此可以方便地、有側(cè)重地對(duì)所有學(xué)生進(jìn)行思政教育管理，以達(dá)到精準(zhǔn)思政的目的。對(duì)于較差簇中的學(xué)生，需要重點(diǎn)關(guān)注，加強(qiáng)約束引導(dǎo)，及時(shí)糾偏。

在學(xué)生聚類(lèi)分析中，離群點(diǎn)指的是那些在數(shù)值上顯著偏離數(shù)據(jù)集中大多數(shù)觀測(cè)值的數(shù)據(jù)點(diǎn)，可能代表那些具有極端特征的學(xué)生。對(duì)于一些明顯的離群點(diǎn)（距離各個(gè)簇的質(zhì)心都比較遠(yuǎn)），可以進(jìn)行個(gè)別分析，在排除數(shù)據(jù)處理錯(cuò)誤的情況后，可以加強(qiáng)關(guān)注，分析日常的學(xué)習(xí)生活行為，及時(shí)采取相應(yīng)措施，在各項(xiàng)數(shù)據(jù)指標(biāo)接近于某一個(gè)簇時(shí)，可以及時(shí)調(diào)整到相應(yīng)的簇中，減輕管理壓力。

在對(duì)學(xué)生進(jìn)行簇的分組后，可以通過(guò)學(xué)生打分的方式，得到特定簇的學(xué)生對(duì)于不同思政教師的評(píng)價(jià)，在已有的教師資源中，選取得分最高的、最適宜相應(yīng)學(xué)生簇的思政教師。同時(shí)，可以將該教師與學(xué)生簇的質(zhì)點(diǎn)進(jìn)行鏈接。對(duì)一個(gè)教師所鏈接的所有質(zhì)點(diǎn)，再次進(jìn)行聚類(lèi)分析，找出質(zhì)心，作為該教師的信息模型（此時(shí)，該模型的信息并不具有真實(shí)的物理意義，僅僅是后續(xù)做相似度比較時(shí)的數(shù)據(jù)化需要）。在后續(xù)的對(duì)于不同學(xué)生的聚類(lèi)分析后，可遍歷現(xiàn)有的教師，以匹配與學(xué)生簇質(zhì)心最為相似的教師，作為該簇的思政教師，以進(jìn)一步實(shí)現(xiàn)思政教育的精準(zhǔn)化。具體過(guò)程如圖4所示：

三、總結(jié)與展望

本文通過(guò)建立學(xué)生思政信息模型，實(shí)現(xiàn)學(xué)生思政信息的量化。通過(guò)建立信息模型之間的相似度比較方法，并基于K-means算法，對(duì)學(xué)生在思政方面進(jìn)行聚類(lèi)分析，將學(xué)生進(jìn)行分組管理，從而有針對(duì)性地開(kāi)展高校思政教育。同時(shí)，通過(guò)對(duì)學(xué)生信息模型的遷移，建立教師信息模型，通過(guò)教師與學(xué)生簇之間的比較，匹配合適的教師，進(jìn)一步提高思政教育的精準(zhǔn)度。本文所提出的信息量化以及比較方法，在高校學(xué)生其他方面的管理工作中，有較強(qiáng)的遷移性和借鑒意義。

參考文獻(xiàn)：

［1］韓慶祥，張艷濤.深刻理解精準(zhǔn)思維的時(shí)代意蘊(yùn)［N］.中國(guó)紀(jì)檢監(jiān)察報(bào)，2022-09-22（5）.

［2］教育部2019年工作要點(diǎn)［J］.人民教育，2019（5）：19-26.

［3］黃文林.基于學(xué)生畫(huà)像分析的高校精準(zhǔn)思政探索［J］.東北大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2021（3）：104-111.

［4］焦立濤.人工智能賦能大學(xué)生思想政治教育研究［D］.濟(jì)南：山東師范大學(xué)，2023.

［5］李子輝.虛擬現(xiàn)實(shí)技術(shù)在高校思想政治教育中的運(yùn)用研究［D］.上海：華東師范大學(xué)，2023.

［6］熊琴.區(qū)塊鏈技術(shù)在高校思想政治教育中的運(yùn)用研究［D］.南昌：江西財(cái)經(jīng)大學(xué)，2022.

［7］鄧晗.基于機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)的高校學(xué)生行為分析［D］.北京：北京郵電大學(xué)，2017.

［8］王世純，許新華，黃嘉成，等.K-means聚類(lèi)算法在高校學(xué)生成績(jī)分析中的應(yīng)用研究［J］.湖北師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（3）：113-118.

［9］Lazar N A.Statistical analysis with missing data［J］.Technometrics，2003（4）：364-365.

［10］李磊磊.面向設(shè)計(jì)制造集成的船用柴油機(jī)關(guān)鍵件CAM系統(tǒng)研究［D］.鎮(zhèn)江：江蘇科技大學(xué)，2018.

［11］劉慶和，梁正友.一種基于信息增益的特征優(yōu)化選擇方法［J］.計(jì)算機(jī)工程與應(yīng)用，2011（12）：130-132，136.

［12］P N TAN，M STEINBACH，V KUMAR，et al.Introduction to data mining［M］.Beijing：Posts amp; Telecom Press，2010：17.

［13］周玉，朱文豪，孫紅玉.一種基于目標(biāo)函數(shù)的局部離群點(diǎn)檢測(cè)方法［J］.東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2022（10）：1405-1412.

作者簡(jiǎn)介：高亞文（1992—），女，漢族，江蘇邳州人，江蘇科技大學(xué)講師，研究方向?yàn)楦咝Ｋ枷胝谓逃?/p>

鹿婷（1979—），女，漢族，江蘇鎮(zhèn)江人，江蘇科技大學(xué)講師，研究方向?yàn)楦叩冉逃芾怼?/p>

（責(zé)任編輯：楊超）